MULTI-MODAL TRAINING TO IMPROVE COGNITION, MOBILITY, AND BRAIN FUNCTIONING IN OLDER ADULTS
Notice bibliographique
Résumé
A growing body of research argues for cross-over effects of training, such that exercise training leads to improved cognitive abilities and more efficient neural functioning (Bherer, Erickson, & Liu-Ambrose. 2013; Li, Yao, Cheng, et al., 2016). In parallel, computerized cognitive training has led to improved balance and mobility (Li, Roudaia, Lussier, et al., 2010). What underlies these cross-over effects may be the common cognitive functions and brain regions or networks that are jointly associated with cognitive and motor control. However, fewer studies have examined the potential synergistic effects of multi-modal training in the form of mixed cognitive and physical training schedules, virtual reality, computer gaming, or dual-task training (Basak, Boot, Voss, & Kramer, 2008; Mirelman, Maidan, Herman et al., 2011). This symposium presents recent work on this emerging topic, spanning a variety of approaches, such as gaming (Basak), virtual reality (Hasudorff), and combined exercise and cognitive training (Bherer, K. Li, C. Li). We will highlight a variety of outcomes measures including cognitive, motoric, and neural indices. We will discuss the influence of training format, task coherence, and trainee enjoyment and motivation on the magnitude of training-related gains. We will also discuss the specificity of training-related effects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».